Omgaan met missende data

Verkennende data-analyse in Python

George Boorman

Curriculum Manager, DataCamp

Waarom is missende data een probleem?

Beïnvloedt verdelingen
- Ontbrekende lengtes van langere studenten
Minder representatief voor de populatie
- Bepaalde groepen over- of ondervertegenwoordigd, bijv. geen data over oudste studenten
Kan leiden tot verkeerde conclusies

Steekproef versus populatie-lengteverdeling; de steekproef heeft een lagere maximum en gemiddelde

Banen van dataprofessionals

Kolom	Beschrijving	Gegevenstype
`Working_Year`	Jaar waarin de data is verzameld	Float
`Designation`	Functietitel	String
`Experience`	Ervaringsniveau, bijv. `"Mid"`, `"Senior"`	String
`Employment_Status`	Type arbeidsovereenkomst, bijv. `"FT"`, `"PT"`	String
`Employee_Location`	Land van tewerkstelling	String
`Company_Size`	Labels voor bedrijfsomvang, bijv. `"S"`, `"M"`, `"L"`	String
`Remote_Working_Ratio`	Percentage van de tijd op afstand werken	Integer
`Salary_USD`	Salaris in US-dollars	Float

Salaris per ervaringsniveau

Boxplot van salarissen per ervaringsniveau met de schone gegevensset; bovengrens rond 600000 dollar

Boxplot van salarissen per ervaringsniveau met een gegevensset met missende waarden; bovengrens rond 450000 dollar

Controleren op missende waarden

print(salaries.isna().sum())

Working_Year            12
Designation             27
Experience              33
Employment_Status       31
Employee_Location       28
Company_Size            40
Remote_Working_Ratio    24
Salary_USD              60
dtype: int64

Strategieën voor missende data

Verwijder missende waarden
- 5% of minder van het totaal
Imputeer met gemiddelde, mediaan, modus
- Afhankelijk van verdeling en context
Imputeer per subgroep
- Verschillende ervaringsniveaus hebben andere mediasalarissen

Missende waarden verwijderen

threshold = len(salaries) * 0.05
print(threshold)

Missende waarden verwijderen

cols_to_drop = salaries.columns[salaries.isna().sum() <= threshold]

print(cols_to_drop)

Index(['Working_Year', 'Designation', 'Employee_Location',
       'Remote_Working_Ratio'],
      dtype='object')

salaries.dropna(subset=cols_to_drop, inplace=True)

Imputeren met een samenvattingsmaat

cols_with_missing_values = salaries.columns[salaries.isna().sum() > 0]
print(cols_with_missing_values)

Index(['Experience', 'Employment_Status', 'Company_Size', 'Salary_USD'], 
    dtype='object')

for col in cols_with_missing_values[:-1]:
    salaries[col].fillna(salaries[col].mode()[0])

Resterende missende waarden controleren

print(salaries.isna().sum())

Working_Year             0
Designation              0
Experience               0
Employment_Status        0
Employee_Location        0
Company_Size             0
Remote_Working_Ratio     0
Salary_USD              41

Imputeren per subgroep

salaries_dict = salaries.groupby("Experience")["Salary_USD"].median().to_dict()

print(salaries_dict)

{'Entry': 55380.0, 'Executive': 135439.0, 'Mid': 74173.5, 'Senior': 128903.0}

Imputeren per subgroep

salaries["Salary_USD"] = salaries["Salary_USD"].fillna(salaries["Experience"].map(salaries_dict))

Geen missende waarden meer!

print(salaries.isna().sum())

Working_Year            0
Designation             0
Experience              0
Employment_Status       0
Employee_Location       0
Company_Size            0
Remote_Working_Ratio    0
Salary_USD              0
dtype: int64

Laten we oefenen!

Verkennende data-analyse in Python